半监督学习技术试图利用未标记数据来辅助提高学习系统的泛化能力,已成为当前机器学习的研究热点之一。　　 协同训练是半监督学习领域的一种主流风范。标准协同训练算法需要使用充分冗余且条件独立的双视图,由于真实世界问题通常只存在单视图,因此研究者们提出了多种有效的单视图协同训练算法。然而,以往关于协同训练的理论研究都假设问题域存在双视图,这就使得它们难以为单视图协同训练算法提供理论支撑。另一方面,一些研究者在协同训练过程中将半监督学习与主动学习结合取得了很好的效果,但这样的技术也缺乏必要的理论支撑。　　 本文针对上述问题进行了理论研究,主要取得了以下创新成果:　　 第一,揭示了双视图并非协同训练的必要条件,所证明的相关定理表明,只要两个学习器具有较大的差异,协同训练就可以有效进行。这一结果不仅为有效的单视图协同训练算法提供了理论支撑,还使得今后对协同训练的理论分析不再需要依赖双视图假设。　　 第二,从理论上解释了协同训练进行到一定轮数后就不能再继续提高泛化能力的原因,并基于所证明的相关定理产生了一个可对适当的训练轮数进行粗略估计的方法。这一结果不仅弥补了以往理论研究与实验观察之间的间隙,还为适当训练轮数的估计打下了基础。　　 第三,对主动半监督协同训练进行了理论分析,所证明的相关定理显示出,在协同训练风范下将半监督学习和主动学习相结合会使得样本复杂度显著降低。这一结果的基础是对协同训练风范下主动学习算法所进行的理论分析。　　 此外,本文还对适用于Internet环境的Aggregagative Learning进行了理论分析。与协同训练相似,该算法也通过使用多个学习器获得了良好的性能。